-
题名基于Focal损失SSDAE的变压器故障诊断方法
被引量：14
- 1
-
-
作者
武天府
刘征
王志强
李劲松
李国锋
-
机构
大连理工大学电气工程学院
-
出处
《电力工程技术》
北大核心
2021年第6期18-24,共7页
-
基金
国家自然科学基金资助项目(51907016)。
-
文摘
研究变压器的故障诊断对电力系统安全稳定运行具有重大现实意义。以油中溶解气体特征为输入的传统变压器故障诊断方法在处理样本不平衡数据时具有较大的局限性。针对这一问题,文中提出一种基于Focal损失栈式稀疏降噪自编码器(SSDAE)的变压器故障诊断方法。该方法通过类别权重确定超参数,并在原始输入中加入高斯白噪声,有利于自编码器充分提取有效特征,进而得到有效的深度特征提取模型;采用Focal损失函数对模型进行优化,并利用Softmax分类器输出诊断结果。案例分析结果表明,与传统三比值法、反向传播神经网络(BPNN)和支持向量机(SVM)法等变压器故障诊断方法相比,文中方法可进一步提升诊断准确率。
-
关键词
变压器
故障诊断
栈式稀疏降噪自编码器(ssdae)
Softmax分类器
Focal损失
类别权重
-
Keywords
transformer
fault diagnosis
stack sparse denoising auto-encoder(ssdae)
Softmax classifier
Focal loss
category weight
-
分类号
TM41
[电气工程—电器]
-
-
题名堆栈稀疏降噪自编码网络在变压器故障诊断中的应用
被引量：8
- 2
-
-
作者
朱超岩
姚晓东
林向会
韩文征
黄煊赫
-
机构
上海电机学院电气学院
-
出处
《中国科技论文》
CAS
北大核心
2019年第11期1217-1222,共6页
-
文摘
为了进一步提高电力变压器故障诊断的识别能力,提出了一种基于堆栈稀疏降噪自动编码器(stacked sparse denoising auto-encoder,SSDAE)的新型深度学习电力变压器故障诊断新方法,较好地解决了传统电力变压器故障诊断方法识别率低及特征提取能力差的问题。SSDAE模型首先使用大量的无标签数据,采用逐层贪婪法进行无监督预训练;然后将模型的最后一层连接Softmax分类器,使用带有故障类型的数据进行微调;最终通过实例数据证明,与三比值法和基于支持向量机(support vector machine,SVM)算法的诊断方法对比,所提出的基于SSDAE网络的变压器故障诊断方法的准确率可提高近20%。
-
关键词
电力变压器
故障诊断
特征提取
堆栈稀疏降噪自动编码器
-
Keywords
power transformer
fault diagnosis
feature extraction
stacked sparse denoising auto-encoder(ssdae)
-
分类号
TM411.2
[电气工程—电器]
-
-
题名基于堆叠稀疏降噪自编码器的暂态稳定评估模型
被引量：6
- 3
-
-
作者
温涛
张敏
王怀远
-
机构
广东电网有限责任公司电力调度控制中心
广东电网有限责任公司广州供电局
福州大学电气工程与自动化学院
-
出处
《电力工程技术》
北大核心
2022年第1期207-212,共6页
-
基金
福建省自然科学基金资助项目(2018J01482)
福建省科技厅引导性项目(2019H01010204)。
-
文摘
深度学习模型凭借其良好的性能被引入到电力系统的暂态稳定性评估中,但进行在线应用时,须关注模型的抗噪能力和泛化能力。文中提出一种基于堆叠稀疏降噪自编码器(SSDAE)的暂态稳定性评估模型,首先对原始输入数据加入噪声得到受损数据样本,然后对受损数据样本进行高阶特征提取,最后将提取的高阶特征重构成未受损的数据,这一训练过程大大提高了模型的抗噪能力。同时,在对输入特征进行重构的过程中,对隐藏层神经元权重和激活程度进行抑制,实现模型的稀疏化,以此提高模型的泛化能力。仿真结果表明,相对于其他机器学习算法,SSDAE模型具有良好的抗噪能力和泛化能力。
-
关键词
深度学习
堆叠稀疏降噪自编码器(ssdae)
暂态稳定
抗噪声能力
泛化能力
机器学习
-
Keywords
deep learning
stacked sparse denoising auto-encoder(ssdae)
transient stability
anti-noise ability
generalization ability
machine learning
-
分类号
TM744
[电气工程—电力系统及自动化]
-
